在全幻灯片图像中实施对非小细胞肺癌诊断的信任,使用符合不确定性意识的人工智能框架

科学领域:

• 人工智能在医学中的应用
• 数字病理学数字病理学
• 计算机癌症诊断 计算机癌症诊断

背景情况:

• 社会负责任的人工智能 (AI) 对癌症诊断至关重要.
• 现有的数字病理人工智能模型缺乏可靠性问题的系统解决方案.
• 数据差异和模型限制在人工智能驱动的诊断中构成风险.

研究的目的:

• 开发一个框架,确保AI在非小细胞肺癌亚型化中的数据和模型可靠性.
• 解决与模型限制和人工智能部署中的数据差异相关的问题.
• 在数字病理学中促进负责任和有效的AI应用.

主要方法:

• 开发了TRUECAM,这是一个整合光谱正常化神经高斯过程的框架,用于范围之外的输入识别.
• 实现模两可的片消除以过模两可的区域,提高数据可靠性.
• 利用对受控错误率的合规预测,确保模型可靠性.

主要成果:

• 在多个大型癌症数据集中,TRUECAM包裹的AI模型显著超过了基线模型.
• 在分类准确性,稳定性,可解释性和数据效率方面取得了明显的改进.
• 在AI模型性能中实现了更高的公平性.

结论:

• TRUECAM是一种用于数字病理学AI模型的多功能包装框架.
• 该框架提高了可信度,促进了在现实世界癌症诊断中负责任的AI.
• TRUECAM支持各种AI架构设计,以改善临床应用.